• Nenhum resultado encontrado

2 REVISÃO BIBLIOGRÁFICA

2.3 MODELAGEM E SIMULAÇÃO COMPUTACIONAL

Modelagem é o processo de construção de modelos, que, por sua vez, são representações de algum sistema de interesse (MARIA, 1997). Segundo a autora, um modelo deve ser o mais próximo possível do sistema real que ele representa, embora seja uma simplificação, e não pode ser complexo a ponto de impossibilitar o seu entendimento e a sua experimentação.

A complexidade do modelo pode ser aumentada progressivamente, em processos iterativos, e um importante passo em sua construção é a validação, que pode ser feita através da comparação dos resultados obtidos pelo modelo com a saída do sistema real, utilizando, para isso, valores conhecidos (MARIA, 1997). Um modelo não pode ser mais complexo do que o sistema real que ele representa, pois, neste caso, será um problema novo, e não um modelo; a modelagem busca representar o que é mais importante no sistema real (CHWIF; MEDINA, 2006).

Modelos podem ser representações realistas do sistema original em forma de miniaturas, desenhos técnicos, diagramas funcionais, e podem ser expressados através de fórmulas matemáticas ou como um programa de computador, possibilitando, neste caso, simular o comportamento dinâmico do sistema (BOSSEL, 2013). O avanço da tecnologia eletrônica possibilita a simulação em software, sem a necessidade da construção de parte do sistema real, ou de uma miniatura dele (BOSSEL, 2013).

A simulação busca prever o comportamento de um sistema perante valores de entradas, tendo por base um conjunto de regras de funcionamento; ela pode ser composta por uma série de fórmulas matemáticas, mas não pode ser reduzida a apenas uma equação (CHWIF; MEDINA, 2006). Uma simulação é a imitação de um processo de um sistema real, ao longo do tempo; ela pode ser feita em um computador, ou manualmente, e trata da construção de uma história artificial, que permite a inserção de inferências nas características de operação do sistema real (BANKS et al., 2010).

A simulação computacional, em especial, é aquela que depende de um computador para ser realizada e é a simulação abordada nesta tese (CHWIF; MEDINA, 2006). A simulação computacional é um método para replicar um sistema real em um computador, conduzindo experimentos para entender o comportamento do sistema e/ou avaliando estratégias sobre o seu funcionamento (TAN et al., 2019).

A simulação pode ser vista como a operação de um modelo de sistema, e permite a reconfiguração e a experimentação dele, o que geralmente é impossível, impraticável ou demasiadamente custoso no ambiente real (MARIA, 1997). A partir da simulação, pode-se inferir comportamentos do sistema, em diferentes cenários analisados, nos quais parâmetros são alterados; a simulação também possibilita a análise do sistema ao longo do tempo (MARIA, 1997). Ainda segundo a autora, simulação pode ser utilizada antes da realização de alterações em um sistema, reduzindo prováveis problemas.

Simulação é uma ferramenta já estabilizada para avaliar e predizer o desempenho de sistemas complexos, que são analiticamente intratáveis; desde a sua concepção, na década de 1950, a simulação vem sendo empregada com sucesso para melhorar sistemas complexos (XU et al., 2016). Segundo os autores, simulações poupam tempo e recursos, e podem criar provas de conceitos anteriores à construção de um protótipo físico; é possível utilizar o modelo de simulação para testar diversas alternativas do projeto de um sistema e, assim, escolher aquele com melhor performance.

Modelagem e simulação pode ser visto como um método para o uso de modelos de sistemas reais ou imaginários, ou ainda como um processo que possibilita o melhor entendimento (ou ainda a predição) do comportamento de um sistema ou processo (RODIČ, 2017). Segundo o autor, o uso de modelagem e simulação está bem estabilizado tanto nos campos da ciência quanto de engenharia; auxiliando a redução de custos, reduzindo o tempo de ciclos de desenvolvimento, aumento a qualidade de produtos e facilitando a gestão do conhecimento.

Modelagem e simulação computacional é o processo de criação e experimentação de um sistema físico, utilizando um modelo matemático computadorizado (CHUNG, 2004). Um modelo é uma representação simplificada das interações entre as partes de um sistema; é uma abstração da realidade que busca se aproximar do comportamento do sistema real, sendo mais simples do que ele (CHWIF; MEDINA, 2006).

Embora seja uma simplificação, resultados de simulações podem trazer estimativas confiáveis para a tomada de decisão; a simulação precisa capturar uma grande quantidade de variáveis – detalhes da operação, que precisam estar disponíveis – podendo torná-la complexa

e difícil de ser executada computacionalmente (XU et al., 2016). Uma vez que a Indústria 4.0 faz uso de sensores e outros dispositivos altamente conectados, espera-se que dados estejam amplamente disponíveis.

Ainda que a simulação tradicionalmente tenha sido empregada na fase de projeto, atualmente vem sendo utilizada em processo de otimização de um sistema, envolvendo tomada de decisão em menor espaço de tempo; o grande grau de interconectividade dos sistemas na i4.0 resultou num aumento drástico de processos em tempo real (XU et al., 2016).

Prever o comportamento de um sistema sobre certas condições é uma tarefa difícil: conhecer o que vai (ou pode) acontecer pode ser um caso de vida ou morte, e não apenas de curiosidade (BOSSEL, 2013). O autor traz cinco razões para o uso de simulação computacional, em detrimentos de outros tipos de simulação:

A simulação computacional possibilita o uso de metodologias comuns e softwares aplicados, independentemente do sistema abordado.

• O custo da simulação computacional geralmente é apenas uma fração do custo para a construção de um simulador real, análogo ao sistema.

• O curso de tempo pode ser alterado na simulação, ou seja, é possível tanto acelerar quanto desacelerar os processos do sistema simulado computacionalmente.

• É possível realizar simulações que levem à destruição do sistema, sem consequências, já que a simulação pode ser repetida sistematicamente.

• Não há risco para o sistema real, pois o ambiente de simulação é isolado do real. Modelos de simulação podem ser classificados com base em três dimensões (MOURTZIS; DOUKAS; BERNIDAKI, 2014):

1. Tempo de mudança: divide as simulações em estáticas (independentes do tempo), e dinâmicas (que evoluem ao longo do tempo). Simulações dinâmicas ainda podem ser categorizadas em discretas, onde as mudanças ocorrem em pontos discretos do tempo; ou contínuas. Simulações discretas são divididas entre as escalonadas por tempo, em que as alterações são realizadas após determinado intervalo de tempo definido; e dirigidas a eventos, nas quais as mudanças estão vinculadas a eventos escalonados, com intervalos de tempo irregulares.

2. Aleatoriedade: define se a simulação é determinística ou estocástica. Uma simulação determinística sempre gerará um mesmo resultado, dado um mesmo

conjunto de dados de entrada. Por outro lado, uma simulação estocástica não garante a repetição do resultado para um mesmo conjunto de entradas.

3. Organização dos dados: divide as simulações entre aquelas baseadas em grade, nas quais os dados estão associadas a células em locais específicos de uma tabela, e mudanças afetam cada célula de acordo com seu estado anterior e o estado de seus vizinhos; e simulações livres de malha (mesh-free), que estão vinculadas a dados de participantes individuais, cujas mudanças são direcionadas para cada par de participantes.

Maria (1997) elenca uma série de possibilidades do uso da modelagem e simulação: (i) melhor entendimento do sistema, ao desenvolver um modelo matemático a partir da observação do sistema real em detalhe; (ii) teste de hipóteses de viabilidade sobre o sistema; (iii) comprimir ou expandir o tempo de um sistema para análise; (iv) estudar os impactos da alteração do modelo, sem afetar o sistema real; (v) experimentar situações novas ou desconhecidas, sobre as quais apenas informações fracas estão disponíveis; (vi) identificar as variáveis com maior impacto no sistema, e a relação entre elas; (vii) identificar gargalos no fluxo de entidades do sistema; (viii) utilizar múltiplas métricas de análise de performance; (ix) empregar uma abordagem de sistema para a solução de problemas; e (x) desenvolvimento de sistemas mais robustos e bem projetados, reduzindo o tempo de desenvolvimento.